【深度学习】CNN卷积神经网络-识别阿喵阿汪(下)

上一篇文章：【深度学习】CNN卷积神经网络-识别阿喵阿汪(上)

在看这篇文章之前，请先阅读上一篇文章，以方便了解大体原理

上篇已经大体介绍了CNN的大体原理、结构
本篇文章是识别 猫，狗 代码的实战！
看一下我们的数据集，全都是图片哈
training_set中的cats、dogs都包含4000图片
test_set中的两个文件夹各包含1000张图片

图片的提取码
链接：https://pan.baidu.com/s/1_oHr2XDr3jilsC8ATe-vgA
提取码：uug3

============================================================================
1.初始化CNN

 classifier = Sequential()

Step 1 - 添加卷积层

classifier.add(Convolution2D(32, 3, 3, input_shape = (64, 64, 3), activation = 'relu'))

• filters 特征探测器的个数 一般是64 /32 过大的话 运算时间会非常长
• kernel_size 特征探测器的大小 3*3
• activation 激活函数 线性整流函数 relu
• 这是添加的第一个卷积层 要写清楚输入图像的大小 input_shape() 64*64 像素大小 3的意思是彩色图片

Step 2 - 最大池化

 classifier.add(MaxPooling2D(pool_size = (2, 2)))

• 可以做到降维 降维之后进而扁平化
• 虽然丢失了一些信息 但是不会太影响性能
• pool_size 最大池化的矩阵大小 2*2最常用
• 提高性能

============================================================================

这是只有一层卷积层时，训练结果并不理想时做出的改进代码
添加第二个卷积层

classifier.add(Convolution2D(32, 3, 3, activation = 'relu'))
classifier.add(MaxPooling2D(pool_size = (2, 2)))

Step 3 - Flattening
扁平化之后 形成的超级大的一列多行矩阵 包括所有的小的一维矩阵

classifier.add(Flatten())

Step 4 - Full connection

units 隐藏层神经元个数 输入层(前一步的扁瓶层) 与 输出层(这里是1)神经元的个数的平均数
一般为2的次方 隐藏层激活函数activation 线性整流
输出层 两个类别 输出一个类别就行 units=1 输出的是概率 所以用sigmoid

classifier.add(Dense(units= 128, activation = 'relu'))
classifier.add(Dense(units = 1, activation = 'sigmoid'))

Compiling the CNN

classifier.compile(optimizer = 'adam', loss = 'binary_crossentropy', metrics = ['accuracy'])

• optimizer 优化器 进行优化的算法 adam 更加先进的随机梯度下降

• loss 损失函数，分成两类binary_crossenttopy 三类的话 categorical_crossenttopy

• metrics 模型性能的评估器 accuracy准确度

keras的中文文档中查看图片预处理的代码
直接借鉴里面的代码

图像预处理 8000张图片是远远不够的，要扩大训练集 可以有效地防止过度拟合
最简单的方法就是多爬一些图片，我们这种方法就是扩大或者缩小图片，改变了矩阵对应的数字，但同时图片性质不变

train_datagen = ImageDataGenerator(rescale = 1./255,
                                    shear_range = 0.2,
                                    zoom_range = 0.2,
                                    horizontal_flip = True)

• rescale 缩放 1./255 直接将像素值当成数值 像素值的 0~255 转换成 0~1
• 直接输入像素值会影响性能，所以进行缩放处理
• shear_range cuo qi 变换 所有的都朝向一个方向
• zoom_range 放大或者缩小 整个图片的
• horizontal_flip 水平的翻转

============================================================================

test_datagen = ImageDataGenerator(rescale = 1./255)

• 创建好的两个对象

============================================================================
对应的训练集

training_set = train_datagen.flow_from_directory('dataset/training_set',
                                                  target_size = (64, 64),
                                                  batch_size = 32,
                                                  class_mode = 'binary')

• target_size input_size 输入图片的大小应该是一致的
• batch_size 图像生成器形成 新的图像时的数目
• class_mode 生成的类别 两个

对应测试集

test_set = test_datagen.flow_from_directory('dataset/test_set',
                                             target_size = (64, 64),
                                             batch_size = 32,
                                             class_mode = 'binary')

==============================================================================

classifier.fit_generator(training_set,
                         samples_per_epoch = 250,
                         nb_epoch = 25,
                         validation_data = test_set,
                         validation_steps = 62.5)

拟合模型

• 用到的数据是生成器生成的 一批一批的生成
• training_set 用来拟合的数据
• samples_per_epoch 有多少步，用来拟合的数据的数目/batch的数目 就是8000/32=250
• epochs=25 训练的批数
• validation_data = test_set 测试集
• validation_steps 与 samples_per_epoch类似，对应测试集 2000/32=62.5

============================================================================

训练的结果将近80%，效果并不是很理想，那么我们添加第二个卷积层，结果最后的训练结果预测集是87.23%，测试集的结果是82.15%

我们的这个实战呢，由于图片数量远远不够，大家也知道，一般在学校内做的图像识别项目，数据集小则几百G，大则几十T，训练的时间也会很长，我们这个项目的训练集很少很少，用的时间也只有一个小时左右，结果肯定达不到好的层次，仅仅用来练手，入门。更好的实战还有待你们的发现。

---

本次项目的代码下载地址：下载RAR

---